FTM：用于时序图表示学习的帧级时间线建模方法

基于摘要分析。本文研究时序图表示学习中邻域聚合难以兼顾短期与长期特征的问题，提出 Frame-level Timeline Modeling（FTM），通过基于链接的分帧技术保留短期特征，再利用时间线聚合模块捕获图演化的长期动态。 机制与贡献：FTM 将局部时间范围内的特征保留与更长时间范围的动态聚合相结合。作者称，该方法可与多数时序 GNN 组合使用，主要贡献是增强骨干方法的时序表示能力，而非提出 EEG 或 BCI 专用模型。分帧规则、时间线聚合的具体实现、损失函数、监督形式和计算开销尚未验证。 结果与证据边界：作者报告，在常用数据集的下游任务实验中，FTM 改善了骨干方法的表现、鲁棒性和域泛化能力。摘要未提供数据集名称、任务细节、划分协议、对照配置或具体指标，因此无法判断改善幅度及跨域评估的具体含义；实验协议、消融及统计信息尚未验证。摘要提供了代码地址，但实现完整性与复现条件尚未核验。 平台推测（待验证）：若将 EEG 通道视为节点、随时间变化的连接关系视为边，FTM 的短期分帧与长期聚合可能对应短暂连接变化和较长时段动态整合的建模需求。这一假设依赖可信的时序图构建，原文所需的数据规模与监督条件尚未明确。可考虑复用时间线聚合思路，但需改造连接估计、分帧尺度及通道映射；低信噪比、伪连接、跨被试差异、通道不一致和小样本可能使其失效。一个可证伪的小实验是在固定 EEG 图构建与 Cross-subject 划分下，对比同一骨干有无 FTM，并分别去除分帧或长期聚合，检验收益是否稳定。已有 EEG 相关工作尚未检索确认。